Eine Methode zur Untersuchung altersbedingte Unterschiede in der Funktions Konnektivität der kognitiven Kontrolle Networks Verbunden mit Performance-Dimensional Change Card sortieren

Die Fähigkeit, Verhalten zu regulieren entwickelt sich allmählich in der Kindheit und Jugend (für eine Übersicht siehe Diamond ^1). In der Dimensional Change Card Aufgabe Sortieren, zum Beispiel wechseln die Teilnehmer von der Sortierung Karten eine Möglichkeit, wie Form, Sortierung ihnen eine andere Art und Weise, wie Farbe ² (siehe Abbildung 2). Schalt abverlangt einen kleinen Leistungskosten oder Kosten-Schalter, so dass Reaktionen sind in der Regel langsamer und fehleranfälliger Schalter auf Studien, in denen die Sortierregeländerungen im Vergleich zu Studien, in denen die Sortierregel bleibt gleich ³ wiederholen. Die Höhe dieser Kosten in der Regel immer kleiner als ⁴ Kinder älter wachsen, veranschaulicht die Tatsache, dass die Fähigkeit zur Verhaltensregulation erfährt weitere Entwicklung früh im Leben.

Da komplexe mentale Operationen, wie z. B. Schalt, beinhalten schnelle Interaktionen zwischen mehreren Hirnregionen ⁵ gibt es ein wachsendes Interesse in relating der Entwicklung von Kognition höherer Ordnung auf Veränderungen in der funktionellen Organisation des Breiten kortikaler Netzwerke ^6.

Ein Ansatz zur Untersuchung von Entwicklungs Änderung breit angelegte Netzwerke, ist die Verwendung von Saatgut-basierte funktionelle Konnektivität Analyse ^6,7. Der erste Schritt in diese Technik ist es, mit den verfügbaren Forschungsliteratur zu konsultieren und zu definieren A-priori-Regionen von Interesse, oder ROIs, die relevant für das Verhalten in Frage zu sein scheinen. Diese ROIs oder Knoten definieren das Grundgerüst des Netzwerks. Weiter, Niederfrequenz-Schwankungen in der Aktivität (oder T2 *-gewichteten Signalintensität) in diesen ROIs werden für 5 bis 10 Minuten gemessen, während die Teilnehmer in Ruhe in einem MRI-Scanner. Funktionale Verbindung zwischen zwei beliebigen Knoten des Netzwerks wird dann als die Korrelation der jeweiligen Zeitverläufe quantifiziert. Knoten, die stark funktionell verbunden sind, sollten ähnlich, und so hoch korreliert, SignalZeitkurse. Auf der anderen Seite sollten Knoten, die schwach funktionell verbunden sind, haben unterschiedliche und damit schwach korreliert sind, signalisieren Zeitkurse. Um ein Modell des Netzwerks zu vervollständigen, werden Kanten (oder Links) zwischen den Knoten, deren Zeit Kurse korrelieren über einer gewählten Schwelle gezogen. Tests für altersbedingte Unterschiede in der funktionellen Verbindungen innerhalb eines Netzes auf jedem einzelnen Knoten-zu-Knoten-Verbindung oder auf die Topologie des gesamten Satzes von Knoten und Kanten durchgeführt werden. Diese Unterschiede in der funktionellen Konnektivität kann dann zu Maßnahmen der kognitiven Leistungsfähigkeit offline gesammelt bezogen werden.

In dieser Arbeit wird ein anderer Ansatz beschrieben, die auf Gruppen unabhängige Analyse der Task-basierte fMRI-Daten ⁸ basiert. Independent Component Analysis (ICA oder) ist ein statistisches Verfahren für blind enthüllt verborgenen Quellen eine Reihe von Beobachtungen, dass die Quellen aufgedeckt maximal unabhängig sind zugrunde liegen. Um die Analyse der Daten fMRI, p angewendetERFAHREN setzt voraus, dass jeder Band eine Mischung aus einer endlichen Anzahl von räumlich unabhängigen Quellen. Verwendung einer aus einer Vielzahl von unterschiedlichen Algorithmen, wie die Infomax Algorithmus schätzt dann eine ICA-Mischmatrix, die, wenn sie zu den Originaldaten angewendet ergibt einen Satz von maximal unabhängigen Quellen oder Komponenten. Jede Komponente kann als ein Netzwerk betrachtet werden, soweit sie von einem Satz von Voxeln, die eine gemeinsame zeitliche Verlauf gemeinsam umfaßt. ICA-Gruppe ist eine besondere Art von ICA in dem ein gemeinsamer Satz von Gruppen Komponenten wird zunächst von einem gesamten Datensatzes geschätzt, und teilnehmerspezifische Sätze der Gruppe Komponenten werden in einem Back-Rekonstruktionsschritt berechnet. Sobald eine gesamte Datensatz wird in einen Satz von Komponenten zerlegt, ist der nächste Schritt die Artefakt-Komponenten, die Rauschquellen darstellen, zu verwerfen, und identifizieren theoretisch sinnvolle Komponenten, Netzwerke von Interesse entsprechen. Dies kann entweder durch Modellierungskomponente Zeitkurse im Rahmen eines GLM auf IDE erreicht werdenntify Netzwerke, die in einem vorhergesagten Weise zu aktivieren, räumlich korrelierende Bestandteile mit einer Schablone aus einem Netzwerk von Interesse, oder beides. Der resultierende Satz von Komponenten können dann an eine Gruppe Vergleich vorgelegt werden, um eine mögliche altersbedingte Unterschiede in der funktionellen Konnektivität innerhalb theoretisch interessante Netzwerke ^7,9,10 testen.

Studieren altersbedingte Veränderungen in der funktionellen Konnektivität durch die Anwendung der ICA-Gruppe zur Rede-basierte fMRI-Daten hat mehrere Vorteile gegenüber der Anwendung von Saatgut-basierte Techniken, um Ruhezustand-fMRI-Daten. Erste, im Gegensatz Saatgut-basierte Techniken, die auf einem kleinen Satz von a priori definierten ROIs zu konzentrieren, verwendet die aktuelle Gruppe ICA Ansatz alle Voxel, die eine volumetrische Zeitreihen. Dies verringert die Chancen für Bias zwangsläufig entstehen, wenn eine kleine Gruppe von ausgewählten Samen werden von vornherein als Regionen von Interesse. Zweitens, die Anwendung funktionelle Konnektivität Analysis (ICA-Basis oder anderweitig) aufgabeneher als Ruhezustand fMRI-Daten hat den Vorteil, dass die Netzwerkorganisation und Netzwerkfunktion, um mehr direkt zugeordnet werden. Wenn zum Beispiel die Untersuchung der kognitiven oder Verhaltens Auswirkungen funktionelle Konnektivität (z. B. Veränderung der DCCS Performance) ist eine Priorität, ist es wichtig zu zeigen, dass das Netzwerk von Interesse ist mit Aufgabenleistung verbunden. Mit Ruhe-State-Protokolle, das ist sehr schwierig, weil die Forscher keine Aufzeichnung aller kognitiven, Verhaltens-oder affektive Zustände durch den Teilnehmer während der Datenerfassung erlebt. Es ist daher unmöglich, einen direkten Nachweis, dass jedes Netzwerk von Interesse ist für die Ausführung der Aufgaben relevant sind. Wenn dagegen funktionellen Konnektivitätsanalyse, wie ICA wird aufgaben Daten angewendet wird, ist es möglich, zu bestätigen, dass das Netzwerk von Interesse zumindest mit der Durchführung der Aufgabe zugeordnet ist. Schließlich ist ICA weniger dem nachteiligen Einfluss von Rauschen. Rauschquellen, wie sie zugeordnet with Thema Bewegung und der Herzrhythmus, haben einzigartige Raum-Zeit-Profilen. Daher wird in dem Kontext einer Gruppe ICA, diese Quellen isoliert und getrennte Komponenten zugeordnet, so übrigen Komponenten relativ frei von diesen unerwünschten Quellen der Varianz. Da Saatgut-basierte Analysen verwenden Roh Zeitkurse in der Einschätzung der funktionellen Konnektivität und Zeitkurse sind, per Definition, Mischungen von neurophysiologischen Signal und Artefakt Lärm, Gruppenunterschiede in der funktionellen Konnektivität Schätzungen können wahr Gruppe Unterschiede in der zugrunde liegenden Neurophysiologie, Gruppenunterschiede in reflektieren die Struktur von Rauschen oder beides ^11.